Otimização do processo de produção de cloro e soda cáustica com aplicação de técnicas de machine learning.

• Autor(a) principal: FREITAS, Pedro Augusto Silva de.
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFCG
• Texto Completo: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/32624
• topic: Otimização operacional; Aprendizado de máquina; Indústria eletrointensiva; Cloro e soda sáustica; Machine learning; Electrical intensive industry; Chlorine and caustic soda; Operational optimization; Optimización operativa; Aprendizaje automático; Industria electrointensiva; Cloro y sosa cáustica; Optimisation opérationnelle; Apprentissage automatique; Industrie électro-intensive; Chlore et soude caustique; Engenharia química.

Na indústria de produção de cloro, soda cáustica e hidrogênio no Brasil, três tecnologias de células eletrolíticas são utilizadas comercialmente para esse fim: célula de mercúrio, diafragma e membrana. Nas células com tecnologia de diafragma, este desempenha um papel decisivo na eficiência da célula. Sua importância vai desde a eficiência energética da célula até aspectos relacionados à segurança operacional. Neste trabalho foram construídos modelos de aprendizado de máquina (ML) para predição do desempenho das células eletrolíticas, a partir dados industriais relativos as células à diafragma produzido pela UCS (Unidade de Cloro-Soda) da fábrica Braskem S/A, implantada no estado de Alagoas. Os modelos treinados apresentaram desempenho satisfatório na previsão do desempenho da célula a partir dos dados de fabricação do diafragma e de operação das células. O modelo Random Forest obteve desempenho superior com relação aos demais modelos, com acurácia superior a 90%, resultado importante que serve de base para a busca pela melhoria da performance do diafragma. Esse resultado confirma a viabilidade de aplicação de técnicas de aprendizado de máquinas na indústria de produção de cloro e soda cáustica, possibilitando a melhorias nos processos de produção. Outro resultado importante da modelagem desenvolvida foi a obtenção das variáveis de maior relevância para os modelos, viabilizando o controle dessas variáveis nos processos de fabricação e operação das células eletrolíticas, contribuindo para o incremento da sua performance.